优化多光谱传输成像的先进分析方法:通过混合图像处理和深度学习增强乳腺组织异质性检测和瘤查

科学领域:

• 生物医学光学 生物医学光学
• 医学成像医学成像
• 机器学习是机器学习.

背景情况:

• 通过生物组织传播的光会导致散射和吸收,使多光谱图像中的异质性识别复杂化.
• 精确检测组织异质性对于医学诊断至关重要,特别是在乳腺瘤查等应用中.

研究的目的:

• 提高图像质量,提高使用深度学习网络模型 (DLNM) 在多光谱传输图像 (MTI) 中异质分类的精度.
• 评估将空间金字塔匹配 (SPM),调制-解调 (M_D) 和积 (FA) 技术用于MTI预处理的有效性.

主要方法:

• 幻影的多谱传输图像 (MTI) 被捕获并使用SPM,M_D和FA的各种组合进行预处理.
• 通过U-Net的语义细分,产生了多光谱融合伪色图像,然后使用VGG16/19和ResNet50/101网络进行分类.
• 评估了不同预处理组合对图像质量和分类准确性的影响.

主要成果:

• SPM,M_D和FA的组合显著提高了图像质量,并促进了异质特征信息的提取.
• 所有预处理的图像显示,与原始图像相比,异质的分类准确度有所提高.
• 使用3.5赫兹M_D-FA处理的图像在分散校正后获得了最高的分类准确度 (95.47%对于VGG19,98.47%对于ResNet101).

结论:

• SPM,M_D和FA技术的协同应用有效地提高了MTI质量,并提高了DLNM对异质分类的准确性.
• 这种方法有望促进MTI在乳腺瘤查中的临床应用.